网络爬虫（14）-动态页面爬取

1.Ajax介绍

Ajax，全称为Asynchronous JavaScript and XML，即异步的JavaScript和XML。 它不是一门编程语言，而是利用JavaScript在保证页面不被刷新、页面链接不改变的情况下与服务器交换数据并更新部分网页的技术。发送Ajax请求到网页更新过程，简单分为以下3步：发送请求；解析内容；渲染网页。
Ajax具有特殊的请求类型，它叫作xhr。

2.Ajax数据爬取

# 首先，定义一个方法来获取每次请求的结果。 在请求时，page是一个可变参数，所以我们将它作为方法的参数传递进来，相关代码如下：
from  urllib.parse import  urlencode 
import  requests 
base url = 'https://m.weibo.cn/api/container/getlndex?' 
headers = { 
'Host':  'm.weibo.cn', 
'Referer＇：'https://m.weibo.cn/u/2830678474',
'User-Agent':'Mozilla/s.o (Macintosh;  Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML,  like Gecko) 
Chrome/58.0.3029.110 Safari/537.36','X-Requested-With ':'XMLHttpRequest',
} 
def get_page(page)':
params = { 
'type':'uid', 
'value':'2830678474', 
'containerid':'1076032830678474', 
'page': page 
}
url = base_url + urlencode(params) 
try: 
    response = requests.get(url, headers=headers) 
    if response.status_code == 200: 
    return response.json() 
except requests.ConnectionError as e: 
    print(' Error',  e.args)
    
# 随后，我们需要定义一个解析方法，用来从结果中提取想要的信息，比如这次想保存微博的id、正文、赞数、 评论数和转发数这几个内容，  那么可以先遍历cards，然后获取mblog 中的各个信息，赋值为一个新的字典返回即可：
from  pyquery import  PyQuery as pq 
def parse _page (j son): 
    if json: 
    items  = j son. get(' data ') .get('cards ') 
    for item  in  items: 
        item = item.get('mblog') 
        weibo = {} 
        weibo[ 'id'] = item.get('id') 
        weibo['text'] = pq(item.get('text')). text() 
        weibo['attitudes']  = item.get('attitudes_count') 
        weibo [ 'comments '] = item.get('comments_count') 
        weibo['reposts'] = item.get('reposts_count') 
        yield weibo

# 最后，遍历一下page，一共10页，将提取到的结果打印输出即可：
if name ==  'main': 
    for page in range(l, 11): 
        json = get_page(page) 
        results = parse_page(json) 
    for result in results: 
        print(result)

# 加一个方法将结果保存到MongoDB数据库：
from  pymongo import MongoClient 
client = MongoClient () 
db = client [ 'weibo' ] 
collection = db['weibo']
def save_to_mongo(result):
    if collection.insert(result):
        print('save to Mongo')

2.Selenium库

Selenium是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作，如点击、下拉等操作，同时还可以获取浏览器当前呈现的页面的源代码，做到可见即可爬。

1）声明浏览器对象

from  selenium import webdriver 
browser = webdri ver. Chrome() 
browser = webdriver. Firefox() 
browser = webdri ver. Edge() 
browser = webdriver. PhantomJS() 
browser= webdriver.Safari() 

# 完成浏览器对象初始化并将其赋值为browser 对象。调用 browser对象，让其执行各个动作以模拟浏览器操作。

2）访问页面

from  selenium import webdnver 
browser = webdriver.Chrome() 
browser. get （’https://www.taobao.com’ ）
print(browser.page_source) 
browser. close() 

# 用get（）方法来请求网页，参数传入链接URL即可。 

3）查找节点

# 单个节点
find_element_by_id
find_element_by_name
find_element_by_xpath
find_element_by_link_text
find_element_by_partial_link_text
find_element_by_tag_name
find_element_by_class_name
find_element_by_css_selector
Selenium提供通用方法find_element()，它需要传入两个参数： 查找方式By和值。find_element(By.ID,id)
from selenium import webdriver
from selenium.webdriver.common.by import By
browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input_first = browser.find_element(By.ID,'q')
print(input_first)
browser.close()

# 多个节点
要查找所有满足条件的节点，需要用find_elements（）这样的方法

4）节点交互

Selenium可以驱动浏览器来执行一些操作，也就是说可以让浏览器模拟执行一些动作。 

from selenium import webdriver
import time 

browser = webdriver.Chrome()
browser.get('https://www.taobao.com')
input = browser.find_element_by_id('q')

# send_keys()方法用于输入文字
input.send_keys('iPhone')
time.sleep(1)

# clear()方法用于清空文字
input.clear()
input.send_keys('iPad')
button = browser.find_element_by_class_name('btn-search')

# click()方法用于点击按钮
button.click()

5）动作链

如鼠标拖曳、 键盘按键等，它们没有特定的执行对象，这些动作用另一种方式来执行，那就是动作链。

- 实现一个节点的拖曳操作，将某个节点从一处拖曳到另外一处

# 首先，打开网页中的一个拖曳实例，然后依次选中要拖曳的节点和拖曳到的目标节点，接着声明ActionChains对象并将其赋值为actions变量，然后通过调用actions变量的drag_and_drop（）方法，  再调用perform（）方法执行动作，此时就完成了拖曳操作
from  selenium import  webdnver 
from  selenium.webdriver import  ActionChains 
browser = webdriver.Chrome() 
url ＝’http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable'
browser.get(url) 
browser.switch_to.frame('iframeResult')
source = browser.find_element_by_css selector('#draggable') 
target= browser.find_element_by_css_selector('#droppable' ) 
actions = ActionChains(browser) 
actions.drag_and_drop(source, target) 
actions.perform() 

6）JavaScript执行

对于某些操作，Selenium API并没有提供。 比如，下拉进度条，它可以直接模拟运行JavaScript，
此时使用execute script（）方法即可实现，代码如下：

from selenium import webdriver 
browser= webdriver.Chrome() 
browser. get (’https://www.zhihu.com/explore') 
browser.execute_script('window.scrollTo(o, document.body.scrollHeight)’) 
browser.execute_script('alert(”To Bottom”)') 

# 这里就利用execute script（）方法将进度条下拉到最底部，然后弹出alert提示框。

7）获取节点信息

- 获取属性

# 使用get_attribute（）方法来获取节点的属性
from  selenium import webdriver 
from  selenium.webdriver import  ActionChains 
browser = webdri ver. Chrome() 
url = 'https://www.zhihu.com/explore' 
browser. get ( url) 
logo= browser.find_element_by_id(’zh-top-link-logo’) 
print(logo) 
print(logo.get_attribute(’class' )) 

- 获取文本值

from  selenium import webdriver 
browser= webdriver.Chrome() 
url =’https://www.zhihu.com/explore’ 
browser. get(url) 
input = browser.find_element by class name('zu-top-add-question’) 
print(input.text) 

- 获取id、位置、标签名和大小

from. selenium import  webdnver 
browser = webdriver. Chrome() 
url ＝’https：/／www.zhihu.com/explore'
browser.get (url) 
input= browser.find_element_by_class_name(’zu-top-add-question') 
print(input.id)     　　 # 节点id
print(input.location)　　# 节点页面相对位置
print(input.tag_name)　　# 标签名称
print(input.size)    　　# 节点大小

8）Frame切换

网页中有一种节点叫作iframe，也就是子Frame，相当于页面的子页面，它的结构和外部网页的结构完全一致。 Selenium打开页面后，它默认是在父级Frame里面操作，而此时如果页面中还有子Frame，它是不能获取到子Frame里面的节点的。 这时就需要使用switch_to.frame（）方法来切换Frame。

import time 
from  selenium import  webdriver 
from  selenium.common.exceptions import  NoSuchElementException 
browser = webdriver.Chrome() 
url = 'http://www.runoob.com/try/try.php?filename=jqueryui-api-droppable' 
browser.get(url) 
browser.switch_to.frame('iframeresult’) 
try: 
　　logo= browser.find_element_by_class_name('logo') 
except NoSuchElementException: 
　　print(’NO  LOGO') 
browser.switch_to.parent_frame）
logo = browser. find_element_by_class_name（'logo'）
print(logo) 
print(logo.text) 

首先通过switch_to. frame（）方法切换到子Frame里面，然后尝试获取父级Frame 里的logo 节点（这是不能找到的），如果找不到的话，就会抛出NoSuchElementException异常，异常被捕捉之后，就会输出NO LOGO。 接下来，重新切换回父级Frame,然后再次重新获取节点，发现此时可以成功获取了。

- 隐式等待

使用隐式等待执行测试的时候，如果Selenium没有在DOM中找到节点，将继续等待，超出设定时间后，则抛什1找不到节点的异常。 换句话说，当查找节点而节点并没有立即出现的时候，隐式等待将等待一段时间再查找DOM，默认的时间是0。

from  selenium import webdriver 
browser = webdriver.Chrome() 
browser.implicitly_wait (10) 
browser.get(’https://www.zhihu.com/explore' ) 
input = browser. find_element_by_class_name(’zu-top-add-question’) 
print(input) 

- 显式等待

隐式等中认为固定了等待时间，然而页面的加载时间会受到网络条件的影响。
显式等待方法，它指定要查找的节点，然后指定一个最长等待时间。 如果在规定时间内加载出这个节点，就返回查找的节点；如果到了规定时间依然没有加载出来，则抛出超时异常。

# 首先引入WebDriverWait这个对象，指定最长等待时间，然后调用它的until()方法，传入要等待条件expected_conditions。 比如，这里传入了presence_of_element_located这个条件，代表节  点出现的意思，其参数是节点的定位元组，也就是ID为q的节点搜索框。
- 效果：在10秒内如果ID为q的节点（即搜索框）成功加载出来，就返回该节点；如果超过10秒还没有加载出来，就抛出异常。

from  selenium import webdriver 
from  selenium.webdriver.common.by import  By 
from  selenium.webdriver.support.ui import WebDriverWait 
from  selenium.webdriver.support import expected_conditions as EC 
browser = webdriver.Chrome() 
browser.get(’https://www.taobao.com/’) 
wait = WebDriverWait(browser, 10) 
input = wait. until(EC. presence_of _element_located( (By. ID,’q’))) 
button = wait.until(EC.element to be clickable((By.CSS_SELECTOR,’.btn search'))) 
print(input, button) 

9）前进、后退

浏览器时都有前进和后退功能，Selenium中分别通过forward()、back()方法实现。

import time 
from  selenium import webdnver 
browser = webdriver.Chrome() 
browser. get (’https://www.baidu.com/’) 
browser.get('https://www.taobao.com/’) 
browser.get(’https://www.python.org/’) 
browser.back() 
time.sleep(l) 
browser. forward() 
browser. close() 

10）Cookies

from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.zhihu.com/explore')
print(browser.get_cookies())
browser.add_cookie({'name':'name','domain':'www.zhihu.com','value':'germey'})
browser.delete_all_cookies()

11）选项卡管理

import  time 
from  selenium import  webdnver 
browser = webdriver. Chrome() 
browser.get(’https://www.baidu.com') 
browser.execute_script(’window. open()’) 
print(browser. window _handles) 
browser.switch_to_window(browser.window_handles[l]) 
browser.get(’https://www.taobao.com') 
time.sleep(l) 
browser.switch_to_window(browser.window_handles(0)) 
browser.get(’https://python.org')

12）异常处理

from  selenium import webdriver 
from  selenium.common.exceptions import  TimeoutException, NoSuchElementExcephon 
browser = webdriver.Chrome() 
try: 
　　browser.get('https://www.baidu.com’）
except TimeoutException: 
　　print(' Time Out') 
try: 
　　browser. find_element_by_id(' hello') 
except NoSuchElementException: 
　　print(’No Element’) 
finally:
　　browser.close()